局部深度搜索的混合果蝇优化算法.docVIP

局部深度搜索的混合果蝇优化算法 　　摘 要：针对基本果蝇优化算法（FOA）局部深度搜索能力较差且易陷入局部最优的缺点，提出了局部深度搜索的混合果蝇优化算法（SFOALDS）。通过借鉴混合蛙跳算法（SFLA）的更新策略，循环进行局部深度搜索操作，使得SFOALDS既保持了FOA较快的收敛速度，又增强了FOA局部深度搜索能力，有效避免了基本FOA易陷入局部最优的缺点，提高了进化后期算法的收敛速度和精度。仿真实验结果表明，SFOALDS比基本FOA和SFLA有较强的全局寻优性能，并且在高维函数上的优势更加明显。 　　关键词：果蝇优化算法；混合蛙跳算法；群体智能；局部搜索；早熟收敛 　　0 引言 　　果蝇优化算法（Fruit fly Optimization Algorithm，FOA）由潘文超于2011年6月提出，是一类新的全局优化群智能算法，源于对果蝇觅食行为的模拟[1-3]，可广泛应用于科学和工程领域，也可混合其他的数据挖掘技术一起使用。目前，其已经成功应用于如求解数学函数极值[2]；微调ZSCORE模型系数，提高企业财务危机预警的准确率[2]；优化广义回归神经网络进行企业经营绩效评估[3]和四川省新政航电工程3台机组5个不同部位的振动序列峰峰值预测[4]；优化最小二乘支持向量机（Least Squares Support Vector Machines，LSSVM）用于建立回转干燥窑干燥速率模型[5]；辨识船舶操纵运动响应模型的结构参数，并用得到的响应模型进行自航模变Z形试验预报[6]；分离盲源语音信号[7]等。 　　FOA与其他群智能算法相比，不但算法简单，容易理解（如粒子群算法（Particle Swarm Optimization， PSO）的优化方程是二阶微分方程[8]，而FOA的优化方程是一阶微分方程），程序代码易于实现，运行时间较少，对搜索空间有一定的自适应能力，具有较强的鲁棒性和较好的收敛性能；而且FOA所需调整的参数比较少，仅有3个，而其他经典智能优化算法所需调整的参数至少为5个（如PSO需调整5个参数[8]、人工鱼群算法（Artificial Fish Swarm Algorithm， AFSA）需调整5个参数[9]、蚁群算法（Ant Colony Optimization，ACO）需调整7个参数[10]、遗传算法（Genetic Algorithm，GA）需调整5个参数[11]、细菌觅食优化算法需调整11个参数[11]等），各个参数对算法性能的影响、参数之间的相互影响和复杂关系及对算法性能的二次影响很难研究清楚，一般都是通过大量实验总结出来的经验数值，但参数的取值不当，会严重影响算法的性能，并且导致分析算法复杂度变得异常困难。 　　但同时FOA与其他全局优化算法（如GA、PSO）类似，易陷入局部最优，导致后期收敛速度变慢，收敛精度降低，尤其是对于高维多极值复杂优化问题。根据没有免费的午餐理论[12]，每种进化算法都有各自的优缺点，因此，如何将FOA与其他智能优化算法融合是一个重要的研究方向。 　　混合蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）[13]是一种基于群体的亚启发式协同搜索算法，该算法在群中个体所在的模因组内进行局部深度搜索，然后利用模因组混合实现全局信息交换[14]。本文针对FOA局部深度搜索能力较差，迭代后期易陷入局部最优的缺点，借鉴SFLA模因组内的局部深度搜索策略，提出一种果蝇优化算法和混合蛙跳算法相融合的新算法――局部深度搜索的混合果蝇优化算法（Shuffled Fruit Fly Optimization Algorithm with Local Deep Search，SFOALDS）。该算法既保持了FOA原有的较强的全局搜索能力和较快的收敛速度，又增强了FOA的局部深度搜索能力，从而有效平衡了整个种群的“探索”和“开发”能力，提高了算法的收敛速度和精度。用FOA、SFLA和SFOALDS对5个高维基准测试函数进行仿真实验的结果表明，本文算法收敛速度和寻优精度均优于FOA和SFLA。 　　7）进入迭代寻优，重复执行步骤2）～5），并判断最佳味道浓度是否优于前一迭代最佳味道浓度，并且若当前迭代次数小于最大迭代数Maxgen，则执行步骤6）；否则，结束算法。 　　3 局部深度搜索的混合果蝇优化算法 　　FOA具有较强的全局搜索能力和较快的收敛速度，但迭代寻优时，向最优个体的聚集行为，极易导致种群多样性的损失，若该个体并不是全局最优，极易使算法陷入局部最优，带来早熟收敛的问题。 　　SFLA迭代寻优时，利用模因组内的局部深度搜索策略和模因组混合策略的循环交替，实现全局寻优的目的，因而具有较强的局部深度搜索能力，并且为与其